土壤对重金属吸附性能是决定重金属在土壤中迁移转化及环境风险的重要因素。然而，通过实验方法和传统吸附模型获得吸附性能不但费时，而且适用范围比较局限。近日，我所王飞儿副教授研究团队联合美国凯斯西储大学张慧春教授研究团队在环境领域国际知名期刊Environmental Science & Technology上发表了题为“Predicting Heavy Metal Adsorption on Soil with Machine Learning and Mapping Global Distribution of Soil Adsorption Capacities”的研究论文（DOI: https://doi.org/10.1021/acs.est.1c02479）。该文利用机器学习算法建立土壤吸附重金属能力预测模型，并得到了全球土壤重金属吸附性能的空间分布（图1）。

图1全球土壤吸附重金属性能空间分布

该研究从150篇现存文献中摘录4420组关于土壤吸附重金属的数据，利用10种机器学习方法，建立了土壤对6种重金属(Cd、Cr、Cu、Pb、Ni和Zn)的吸附能力预测模型。不同模型的四个回归损失函数和R²值的综合比较结果表明，梯度增强决策树(GBDT)在土壤吸附重金属预测模型中性能最好（图2）。

图2土壤吸附重金属预测模型性能比较

采用Shapley additive explanations方法分析了模型不同输入特征对土壤吸附重金属性能的影响。结果表明，不同输入变量对土壤吸附重金属性能的影响从大到小依次为：土壤CEC >吸附平衡浓度 >土壤pH >土壤黏土含量 >土壤有机碳含量 >重金属原子半径 >重金属水合离子半径 >水土比 >溶液pH >重金属第一电离能 >溶液体系离子强度 >溶液体系温度（图3）。

图3不同输入变量对土壤吸附重金属性能的影响

从世界土壤数据库（Harmonized World Soil Database）获取全球的土壤属性，将其作为模型输入变量，预测全球土壤对重金属吸附性能的空间分布。结果表明，吸附能力相对较低的土壤主要分布在北美北部、南美北部和非洲中部，而北非和南亚的吸附能力相对较高（图1，图4）。

图4土壤对重金属吸附能力相对高的国家（a）和相对低的国家(b)

总的来说，本研究所建立的土壤吸附性能预测模型，能够在已知土壤属性、吸附溶液体系性质的基础上，快速预测土壤对重金属的吸附能力，并获得了全球土壤吸附重金属性能空间分布。该土壤吸附重金属性能预测模型对于土壤重金属风险评估、污染项目选址规划、污染土壤修复方案设计等具有一定的指导意义。

论文第一作者为浙江大学环境污染防治研究所硕士生杨泓蕊，通讯作者为浙江大学王飞儿副教授、凯斯西储大学张慧春教授。